利用开源的文本和视觉预训练模型微调来实现一个简单的CLIP图文对比检索模型（pytorch实现）

• 简单易拓展，可以自由组合不同规模、类型的文本和视觉预训练模型，仅需在text_ptm、img_ptm中修改参数即可

• 使用 openAI 的 Learning Transferable Visual Models From Natural Language Supervision 论文原版模型

• 支持在test数据集中进行img2text、text2img检索验证

• 目前仅支持单卡训练

• ZERO benchmark，大规模的中文跨模态基准测试，包含预训练数据集和五个下游任务数据集。

• 参考data/example.tsv的格式可自由替换成自己的数据

• CLIP: https://openai.com/blog/clip/

• 预训练模型: https://huggingface.co/models

• ZERO benchmark: https://zero.so.com/index.html